O'Reilly logo

Stay ahead with the world's most comprehensive technology and business learning platform.

With Safari, you learn the way you learn best. Get unlimited access to videos, live online training, learning paths, books, tutorials, and more.

Start Free Trial

No credit card required

Einführung in TensorFlow

Book Description

Deep-Learning-Netze, die mit großen Datenmengen angelernt wurden, lösen komplexe Aufgaben mit erstaunlicher Genauigkeit. TensorFlow ist die führende Open-Source-Bibliothek zum Erstellen und Trainieren neuronaler Deep-Learning-Netze z.B. für die Sprach- und Bilderkennung, die Verarbeitung natürlicher Sprache (NLP) oder die vorhersagende Datenanalyse. Dieses Buch bietet einer breiten technisch orientierten Leserschaft einen praxisnahen Zugang zu den Grundlagen von TensorFlow.Sie erarbeiten zunächst einige einfache Beispielaufgaben mit TensorFlow und tauchen anschließend tiefer in Themen ein wie die Architektur neuronaler Netze, die Visualisierung mit TensorBoard, Abstraktionsbibliotheken für TensorFlow oder Multithread-Pipelines zur Dateneingabe. Wenn Sie dieses Buch durchgearbeitet haben, sind Sie in der Lage, Deep-Learning-Systeme mit TensorFlow zu erstellen und im Produktivbetrieb einzusetzen.

Table of Contents

  1. Cover
  2. Titel
  3. Impressum
  4. Inhalt
  5. Vorwort
  6. 1 Einleitung
    1. Einstieg in Deep Learning
    2. TensorFlow für KI-Systeme verwenden
    3. TensorFlow: Was verbirgt sich hinter dem Namen?
    4. Allgemeiner Überblick
    5. Zusammenfassung
  7. 2 Erste Schritte mit TensorFlow
    1. TensorFlow installieren
    2. Hallo Welt
    3. MNIST
    4. Softmax-Regression
    5. Zusammenfassung
  8. 3 Die Grundlagen von TensorFlow
    1. Berechnungsgraphen
    2. Was ist ein Berechnungsgraph?
    3. Die Vorteile von Graphenberechnungen
    4. Graphen, Sessions und Ergebnisabfragen
    5. Einen Graphen erstellen
    6. Eine Session erstellen und ausführen
    7. Unseren Graphen aufbauen und verwalten
    8. Ergebnisabfragen
    9. Fließende Tensoren
    10. Knoten als Operationen, Kanten als Tensor-Objekte
    11. Datentypen
    12. Tensor-Objekte und ihre Gestalt
    13. Namen
    14. Variablen, Platzhalter und einfache Optimierung
    15. Variablen
    16. Platzhalter
    17. Optimierung
    18. Zusammenfassung
  9. 4 Konvolutionsnetze
    1. Einführung in Konvolutionsnetze
    2. MNIST: Zweite Runde
    3. Konvolution
    4. Pooling
    5. Dropout
    6. Das Modell
    7. CIFAR10
    8. Laden des CIFAR10-Datensatzes
    9. Einfache CIFAR10-Modelle
    10. Zusammenfassung
  10. 5 Text I: Arbeiten mit Text und Sequenzen, Visualisierung mit TensorBoard
    1. Warum Sequenzdaten so wichtig sind
    2. Einführung in rekurrente neuronale Netze
    3. Einfache Implementierung eines RNN
    4. In TensorFlow eingebaute Funktionen für RNNs
    5. RNNs für Textsequenzen
    6. Textsequenzen
    7. Überwachte Worteinbettungen
    8. LSTM und die Verwendung von Sequenzlängen
    9. Anlernen von Einbettungen und des LSTM-Klassifikators
    10. Zusammenfassung
  11. 6 Text II: Wortvektoren, fortgeschrittene RNNs und Visualisierung von Einbettungen
    1. Einführung in die Worteinbettung
    2. Word2vec
    3. Skip-Gramme
    4. Einbettungen in TensorFlow
    5. Die Verlustfunktion für Noise-Contrastive Estimation (NCE)
    6. Abfall der Lernrate
    7. Anlernen und Visualieren mit TensorBoard
    8. Einblick in unsere Einbettungen
    9. Angelernte Einbettungen und fortgeschrittene RNNs
    10. Angelernte Worteinbettungen
    11. Bidirektionale RNNs und GRU-Zellen
    12. Zusammenfassung
  12. 7 Abstraktionen und Vereinfachungen in TensorFlow
    1. Überblick über das Kapitel
    2. Verfügbare Bibliotheken
    3. contrib.learn
    4. Lineare Regression
    5. DNN-Klassifikator
    6. FeatureColumn
    7. Mit contrib.learn ein CNN selbst erstellen
    8. TFLearn
    9. Installation
    10. CNN
    11. RNN
    12. Keras
    13. Angelernte Modelle mit TF-Slim
    14. Zusammenfassung
  13. 8 Warteschlangen, Threads und das Einlesen von Daten
    1. Die Eingabepipeline
    2. TFRecords
    3. Das Schreiben mit TFRecordWriter
    4. Warteschlangen
    5. Einstellen und Entnehmen
    6. Multithreading
    7. Koordinator und Warteschlangensteuerung
    8. Eine vollständige parallele Eingabepipeline
    9. tf.train.string_input_producer() und tf.TFRecordReader()
    10. tf.train.shuffle_batch()
    11. tf.train.start_queue_runners() und der Abschluss
    12. Zusammenfassung
  14. 9 TensorFlow und verteiltes Rechnen
    1. Verteiltes Rechnen
    2. Wo findet Parallelisierung statt?
    3. Was ist das Ziel von Parallelisierung?
    4. TensorFlow-Elemente
    5. tf.app.flags
    6. Cluster und Server
    7. Replikation von Berechnungsgraphen über mehrere Prozessoren
    8. Überwachte Sessions
    9. Die Prozessorzuteilung
    10. Beispiel mit verteiltem Rechnen
    11. Zusammenfassung
  15. 10 Modelle mit TensorFlow exportieren und via Server bereitstellen
    1. Unser Modell speichern und exportieren
    2. Geladene Gewichte zuweisen
    3. Die Klasse Saver
    4. Einführung in TensorFlow Serving
    5. Überblick
    6. Installation
    7. Bauen und exportieren
    8. Zusammenfassung
  16. Anhang: Tipps zur Erstellung von Modellen und Verwendung von TensorFlow Serving
  17. Index
  18. Über die Autoren
  19. Über die Übersetzer
  20. Kolophon
  21. Fußnoten